智譜GLM-4.5V深度測評：前端復現、文字識別...它確實有點東西！

作者｜子川

來源｜AI先鋒官

智譜又開源了！

兩周前，智譜把 GLM-4.5 系列砸向開源圈。

時隔不久，就在兩天前，智譜再次宣布開源其最新一代的視覺理解模型——GLM-4.5V。

這是一個視覺能力強悍的多模態推理模型。

根據官方介紹，該模型基于 GLM-4.5-Air 訓練，擁有 1060 億參數和 120 億激活參數。

先來看一下它的紙面實力。

根據官方發布的技術細節，在 41 個公開的視覺多模態榜單上，GLM-4.5V 的表現在同尺寸模型中最佳，超越了 Step-3、Qwen2.5-VL 等模型。

同時，GLM-4.5V還參與了拍圖猜地點積分賽，最終GLM-4.5V的積分排到了該賽事網站的第66名，超越了99%的人類用戶。

那它的實際效果到底如何？有介紹的那么厲害嗎？老規矩，我們來測一測。

實測一：復現前端頁面

發布會上有提到，GLM-4.5V 可以根據網頁錄屏或截圖來復現前端代碼。

我們上傳一張抖音的截圖，讓它 1:1 復刻一個一模一樣的頁面。

生成的效果是這樣式的。

一眼看過去，頁面上幾乎所有的功能，如登錄、點贊、收藏等按鈕，都被復制粘”過來了。

但缺點也很明顯：每個功能模塊之間的距離沒有把控好，更多 UI 細節沒能還原，看起來有點丑（當然，這已經很強了）。

為了測試 GLM-4.5V 的極限，我們還讓它 1:1 復刻一個功能入口極其繁多的淘寶首頁。

從結果來看，這似乎是把它難住了。

這次它沒能把所有的文本信息都復制過來，缺失了一部分功能，比如“淘寶直播”、“88VIP”等模塊就沒有看到。

實測二：文字識別

接下來，我們測試了它的文字識別能力。我們上傳了一張發票，并要求它提取所有關鍵信息。

提示詞：請提取這張照片的內容，其中內容格式‘機器編號’、‘發票代碼’、‘發票號碼’、‘開票日期’、‘校 驗 碼’、‘購買方名稱’、‘購買方納稅人識別號’、‘購買方地 址、電 話’、‘開戶行及賬號’、‘貨物或應稅勞務、服務名稱’、‘規格型號’、‘單 位’、‘數 量’、‘單 價’、‘金 額’、‘稅率’、‘稅 額’、‘價稅合計（大寫）’、‘價稅合計（小寫）’、‘銷售方名稱’、‘銷售方納稅人識別號’、‘銷售方地 址、電 話’、‘銷售方地 址、電 話’、‘開戶行及賬號’、‘備注’、‘收款人’、‘復核’、‘開票人’ 字段返回信息，返回的結果信息以json格式返回

這一次，GLM-4.5V 表現堪稱完美，準確識別并提取出所有的文字信息。

實測三：圖像識別與查找

為了測試 GLM-4.5V 的圖像識別能力，我們讓它玩起了“找東西”游戲。

比如讓它找尋圖片中有幾個“3”。

GLM-4.5V很快答案，并且準確地在圖中標注了出來。

升級一下難度，讓它在一堆熊貓中尋找一個足球。

說實話，如果不是提前知道答案，小編也很難快速找到。

盡管比較復雜，但還是很快就找到了。

實測4：地理定位

這個測試怎么能少的得了看圖識位置呢。

上傳一張小編之前去玩時拍的照片，讓它猜猜這是哪兒。

回答正確！它很快就識別出這是深圳的“灣區之光”摩天輪。

不過，考慮到這個摩天輪還算比較出名，可能沒什么挑戰性。再換一張小眾點的風景照試試。

這次 GLM-4.5V 就沒能準確識別了，它推測這里可能是日本岡山縣牛窗地區的某個海濱。

而正確答案其實是：深圳。

目前該模型可以直接在z.ai或智譜清言體驗。

同時GitHub、Hugging Face、魔搭社區均已上架，甚至貼心地提供了FP8量化版，大家感興趣，可以去試玩一番。

掃碼邀請進群，我們帶你一起來玩轉ChatGPT、GPT-4、文心一言、通義千問、訊飛星火等AI大模型，順便學一些AI搞錢技能。

往期文章回顧